一种基于供应链的数据追溯方法与流程

本发明涉及图像识别追溯领域，尤其涉及一种基于供应链的数据追溯方法。

背景技术：

1、随着计算机图形技术的发展，图形验证技术已经被广泛应用，通过提取图像中产品的相关特征，检测产品是否存在瑕疵或异常，尤其是在供应链领域，结合图像验证技术对供应链产品进行检测，并针对残缺品进行追溯，追溯相关产品信息，大大提高了效率。

2、例如，中国专利申请公开号：cn117236825a，公开了一种农产品供应链运输管理系统及方法，涉及农产品领域，通过获取每个农产品的成熟度标签，基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集，利用农产品图像集，训练生成成熟度分析模型，基于不同的温度条件，获取第一成熟度变化模型，获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度，收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略，解决了农产品在运输过程中因不适宜的温度条件过早腐烂或过快成熟的问题。

3、但是，现有技术中还存在以下问题，

4、针对图像数据进行检测时，常采用对应的图像处理模型提取分析图像中的相关特征，以判定图像数据中的产品是否存在异常，但是，在针对供应链中海量的图像数据进行检测时，由于数据量较大，算力占用较高，针对图像数据的检测效率不佳。

技术实现思路

1、为此，本发明提供一种基于供应链的数据追溯方法，用以克服现有技术中在针对供应链中海量的图像数据进行检测时，由于数据量较大，算力占用较高，针对图像数据的检测效率不佳的问题。

2、为实现上述目的，本发明提供一种基于供应链的数据追溯方法，其包括：

3、步骤s1，获取针对供应链产品的图像数据，构建图像数据与产品信息的关联关系并存储至数据库；

4、步骤s2，整合预定时间内所获取图像数据并提取各所述图像数据的背景色度以及特征物体轮廓，基于图像数据间所述背景色度以及特征物体轮廓的形态差异计算显性差异系数，以对各所述图像数据进行划分，得到若干划分数据组；

5、步骤s3，提取划分数据组中各图像数据的显性纹路特征，基于显性纹路特征的差异性判定所述划分数据组的显性差异类别；

6、步骤s4，根据所述划分数据组的显性差异类别选定针对所述划分数据组的特征处理方式，所述特征处理方式包括，

7、提取划分数据组中任意图像数据以识别产品类别，确定所关联的特征提取需求，基于特征提取需求遍历划分数据组提取全部图像数据的特征用以判定产品是否存在异常；

8、或，遍历划分数据组，以识别全部图像数据产品类别，分别确定各所述图像数据所关联的特征提取需求并提取特征用以判定产品是否存在异常；

9、其中，各类产品与特征提取需求的关联关系为预先构建所得；

10、步骤s5，对存在异常的图片数据执行追溯操作，所述追溯操作包括由所述数据库中检索与所述图像数据关联的产品信息。

11、进一步地，所述步骤s2中，识别图像数据中特征物体轮廓的过程包括，

12、标定图像数据中的全部物体轮廓；

13、分别计算各物体轮廓与剩余物体轮廓的拟合度均值；

14、将最大拟合度均值对应的物体轮廓确定为特征物体轮廓。

15、进一步地，所述步骤s2中，所得单个划分数据组中，各图像数据间的显性差异系数均小于预定的显性差异阈值。

16、进一步地，所述步骤s2中，根据公式（1）计算显性差异系数，

17、；

18、公式（1）中，c表示显性差异系数，p表示图像数据间背景色度差异量，p0表示预设的背景色度标准差异量阈值，g表示图像数据间特征物体轮廓的拟合度，g0表示预设的拟合度标准量阈值，α表示色度差异权重系数，β表示拟合度差异权重系数。

19、进一步地，所述步骤s3中，提取图像数据的显性纹路特征的过程包括，

20、提取特征物体轮廓中的图像；

21、对所述图像进行聚类处理，以标定所述图像中的聚类簇作为纹路特征；

22、确定各纹路特征的平均分布距离以及平均面积，得到显性纹路特征。

23、进一步地，所述步骤s3中，基于显性纹路特征的差异性判定所述划分数据组的显性差异类别的过程包括，

24、若划分数据组满足预定条件，则判定所述划分数据组为弱显性差异类别；

25、若划分数据组不满足预定条件，则判定所述划分数据组为强显性差异类别；

26、所述预定条件为任意图像数据间纹路特征的平均分布距离差异比小于预定分布距离差异比异阈值且平均面积差异比小于预定的面积差异比异阈值。

27、进一步地，所述步骤s3中，选定针对所述划分数据组的特征处理方式包括，

28、若所述划分数据组为弱显性差异类别，则选定提取划分数据组中任意图像数据以识别产品类别，确定所关联的特征提取需求，基于特征提取需求遍历划分数据组提取全部图像数据的特征用以判定产品是否存在异常；

29、若所述划分数据组为强显性差异类别，则选定遍历划分数据组，以识别全部图像数据产品类别，分别确定各所述图像所关联的特征提取需求并提取特征用以判定产品是否存在异常。

30、进一步地，所述步骤s4中，各类产品均关联有对应的特征提取需求，特征提取需求包括需从所述图像数据中提取的若干特征。

31、进一步地，所述步骤s4中，提取特征判定产品是否存在异常的过程包括，

32、提取特征与预定标准范围进行对比，若所述特征不属于所述预定标准范围，则判定产品存在异常；

33、所述预定标准范围为预先针对所述特征所限定的标准范围。

34、进一步地，所述步骤s1中，所述产品信息包括针对图像数据对应产品的生产批次、生产日期以及生产地点。

35、与现有技术相比，本发明通过获取针对供应链产品的图像数据，整合预定时间内所获取图像数据并提取各所述图像数据的背景色度以及特征物体轮廓，基于图像数据间背景色度以及特征物体轮廓的形态差异计算显性差异系数，以对各所述图像数据进行划分，得到若干划分数据组，提取划分数据组中各图像数据的显性纹路特征，基于显性纹路特征的差异性判定所述划分数据组的显性差异类别，并适应性的选定针对所述划分数据组的特征处理方式，判定产品是否异常并进行追溯，本发明通过上述过程提高检测效率，减少针对供应链中海量的图像数据进行检测追溯时的算力消耗。

36、尤其，本发明计算显性差异系数，划分图像数据组，在实际情况中，由于供应链的特殊性，常存在批量性产品，同样的，所需检测的大量图像数据的相似性较高，尤其是针对农产品，例如水果、蔬菜时，单类产品对应图像数据间的背景色度以及特征物体轮廓的相似度较高，考虑特征物体轮廓的目的在于图像数据中可能存在集中摆放的产品，为减少误判，找到能够表征大部分产品主要特征的特征物体轮廓，进而计算显性差异系数，并且背景色度以及特征物体轮廓均为易于提取的显性图像特征，提取所需的算力消耗小，进而在耗费较小算力的前提下通过简单特征将图像数据划分为划分数据组，便于后续集中分析处理，进而提高检测效率，减少针对供应链中海量的图像数据进行检测追溯时的算力消耗。

37、尤其，本发明提取划分数据组中各图像数据的显性纹路特征，判定划分数据组的显性差异类别，在实际情况中，尤其是针对水果蔬菜类的产品，纹路特征的数据表征性较强，能够表征产品类别，而本发明仅考虑显性纹路特征，即纹路特征的平均分布距离以及平均面积，上述特征的提取耗费算力小，并且，对于纹路特征具备一定的数据表征性，进而，在较小算力消耗下依据显性纹路特征的差异，能够进一步判定划分数据组中图像数据的显性差异类别，后续针对划分数据组的显性差异类别采取不同的特征处理方式，进而提高检测效率，减少针对供应链中海量的图像数据进行检测追溯时的算力消耗。

38、尤其，本发明针对划分数据组的类别选定特征处理方式，在实际情况中，判定图像数据中产品是否存在异常大部分采用图像识别模型进行分析，首先需识别图像数据中产品的类别，在数据量较大时，算力占用较高，且，后续提取图像数据中的特征，以检测是否合格，以供应链运输各类水果为例，不同水果的合格标准不同，例如，部分类别的水果需要色度在预定范围内、部分类别的水果需要尺寸在预定范围内等，因此，需要识别水果类别，进而针对该类别水果所需检测需求由图像数据中提取特征进行判定，因此，本技术将弱显性差异类别的划分数据组以任意图像数据为依据识别产品类别，后续确定特征提取需求遍历划分数据组提取全部图像数据的特征判定产品是否存在异常，进而提高检测效率，减少针对供应链中海量的图像数据进行检测追溯时的算力消耗。